本文作者是编辑部特约撰稿人，曾就职于国际快递公司，担任供应链分析与管理工作，其间游历于各大物流企业与货主企业，学习企业经营理念，并将其融会贯通，自创一派，尔后担任各大企业供应链物流顾问工作，对中国台湾地区物流发展有先进独特的眼光，总是能够洞烛机先，布局未来。近年来，在研究与实践中，不断提出科技趋势与产业创新发展策略，希望能为供应链产业注入活水。

 

当AI时代来临，物流业需要开始构建自己的AI基础建设，并提供与众不同的AI服务来创造自己的价值。

从政府的角度而言，AI基础建设包括政策、法规以及硬件，例如公路上各式的感应器、路灯上给无人机用的充电站、都会区网络覆盖、智慧储柜、智慧交通控制系统等。

从物流业自己的角度，AI基础建设大致上可分为软件、主机与IoT三大块，以及其中IoT需要部署在自己的物流中心内部或是物流设备（如笼车、物流车、栈板、物流箱、货架、码头升降台、升降滑门）上；而软件与主机也必须全面云端化。

 

与40年前物流企业开始自行建置ERP、WMS不同，以往都可以自己做，主因是这些软件服务与数据只需自己内部使用；然而现今的AI与数据处理需求必须多方整合才具备实质效益，物流车上的温度监控机制如果永远只能企业自己看到实时现况，或是自己花人力开发人工智能模型，效率与效益都会大打折扣。一个好的AI模型，是千锤百炼打造出来的，其花费难以想象。以冷链物流所需的温控管理为例，其车厢温度管理至少需要以下功能：

1. 实时把数据传入云端，搭配AI监控逻辑可自动分析数据趋势，一有问题可立即通报相关人员。
2. 数据传输过程必须加密，仅有认证的设备可上传数据，数据不可被篡改。
3. 数据原始资料必须妥善储存于云端主机，不会因设备故障而消失。
4. 授权的客户或是上游供应商可分享同样的云端数据，设定相关的下载、复制、打印等权限管控。
5. 具备图控或是仪表板方式，可整合呈现不同数据，成为企业内部的信息中心。

如果再加上GPS讯号、路线管理、车辆能耗管理、温室气体排放统计、物流车辆预防性维护保养，甚至考虑未来的无人车配送排程等功能，已非一般物流企业可自行开发，即使委托软件公司服务，也会担心自己企业资料外泄或是外包公司稳定性不足。

 

因此，物流业的AI基础建设，包含IoT、大数据处理、AI，最好可架构于Google、微软或是Amazon等大型云端企业下，才能构建出真正符合商业用量，且先进的AI服务。

AI的实施顺序上，最好的做法应该是由外而内，也就是物流业与外界连通的界面，应该优先优化，例如销售预测、退货预测、客服回应等。因为这些做不好，即使物流中心内部有再好的机器人拣货系统都没用。

FedEx利用庞大的到货记录历史资料，通过AI预测包裹预计抵达时间，甚至也开始预测每个包裹运送过程产生的温室气体资料。

▲ 左：作业场所内放置衣物及其他物品 ▲ 右：具备个人存放衣物的柜子

IKEA第一个大规模部署的应用就是拿AI用来做销售预测，也就是估计全球54个市场，超过450的实体商店，以及电子商务网站在未来一年的不同时间需要哪些商品。需求预测对家具物流相当重要，因为商品材积大，如果生产出来一堆不需要的家具，不仅要降价出售，还得做许多额外的地理调度（例如把家具从A国运送到B国），浪费成本外也增加许多的温室气体排放。

至于如何用AI做到更好的预测，关键在于原始资料以及所使用的模型。举例来说，单纯拿过去十年的销售预测数据，预测未来一个月的销售，看起来没有大问题。但这样预测有一个前提，就是消费者的习性、经济环境、物价水平，甚至是消费者到店的人流数几乎都与以前的趋势一样，因此实际上这样简单的预测是有问题的。以前的EOQ（Economic Order Quantity）理论库存模型现今已无人使用，并非模型理论有问题，而是EOQ模型的“假设产品需求数量在一段时间是平均分布，不会有剧烈变动”这个假设条件在现今社会并不适用。

 

一个简单的思考，如果某个实体店来客数越多，或是来店的人都是夫妻带小孩，理论上可带动该店更多的销售！

问题是如何统计每天到店人数，这就是AI影像识别可解决的问题。因此，把更多的原始资料带入AI模型内做需求预测，例如来店时段、来店人数、附近地价、附近住宅人口数等，就能做出更好的销售预测；此外，家具彼此间都潜在关联性，例如沙发销售量增加，很可能桌子的销售也会跟着增加，这些原始资料如果越丰富，AI的表现就会越好。

物流业有许多流通加工，包括贴纸、装箱、打包等，或是装箱时一定要放入那些配件或单据，都会有类似的检查需求，这是AI擅长之处。BMW生产线利用机器视觉，辨识车尾行李箱盖上面标示的铭牌是否有贴、是否贴错。整个训练过程也不难，就是请员工从各种不同角度拍摄行李箱贴附的铭牌，搜集了上百张后放入AI模型训练，也不需要改变产线的布线，轻易就多了一个检验点。

 

如果是要做科学研究，例如找出日月星辰的移动规律，资料深度（多久的历史资料）就很重要；但是对大部分物流业面对的问题，资料的广度（种类）才能让一个AI模型表现更好。

再以流通加工为例，贴纸可能贴歪、没贴、用错贴纸、贴纸上有污损破损等，这些对AI都是很好的训练素材，因此搜集照片相当重要。万一真的没有类似瑕疵，可以故意人为创造一些瑕疵，例如故意贴错、在贴纸上涂鸦、贴歪等；就可以让AI模型区隔出正确与错误的贴纸。

使用云端基础建设已经是物流业必要的功能，因为许多资料需要和供应链上下游以及客户实时共享，例如冷链车辆目前的位置、车厢内温湿度、目前行驶路线等，这些资料如果能和供应链伙伴分享，可更早发现异常，特别是目前全球各地发生异常事件的概率越来越高，包括低温、高温、罢工、战争、塞港、塞机等，难以使用传统预测模型去推估事情的发展，让必要资料公开分享，是最好的方法。

 

AI的运用，需要人类自己的创意，许多物流企业均已导入无人机器人进行物料自动输送，降低人工拣货时间，这类可到处行走的专用型推货机器人，能否把其中几台稍微强化，使其具备上方视觉、温湿度、空气质量的自动巡逻人，推货期间还可帮忙协助搜集物流中心内不同角落异常状态。而许多法规要求监控食品企业环境，例如工作空间内是否摆放杂乱、是否有老鼠昆虫，这类异常最好的做法就是通过机器视觉做24小时监控。

另外包括物流业需要符合的CTPAT供应链反恐认证，其中有许多管控事项可通过IoT实时传输，再由AI模型判断异常状态与发送警报。

教育训练是持续强化员工能力的唯一方法，如果员工不了解现今AI科技具备哪些能力，不知道竞争对手目前的应用状况，更遑论使用AI科技。物流企业全面AI化至少需要三年时间，包括人员培训、资料搜集、AI模型训练、系统串联、测试、优化等，而且物流业所使用的AI模型，无法一次训练永久使用，因为物流业永远会面对新商品、新法规、新的设备、新的政治经济环境等。AI导入的顺序可以先做内部服务的改善，成熟后再延伸至客户服务。例如要导入ChatGPT的应用，可以先就内部所有ISO文件、品保文件、技术文件、FAQ等全面读入ChatGPT；让内部员工遇到相关问题可快速获得答案；如此可缩短员工教育训练时间；也能避免员工做错。

 

要迈入AI物流时代，政府须提供更多元的基础建设，物流业才有优化的空间。假设从城市A到城市B，目前只有单一公路可通，那么物流配送大概就只能采用电车或是燃油车这种选择；如果开通了河道与铁路，就又多了批次运输的选项；如果政府再开放低空运输以及建设地运输基础建设，部分轻型包裹就可以有更多配送选择。

美国拜登政府于2022年宣布货运物流优化计划（Freight Logistics Optimization Works，FLOW），主要是通过公私部门的信息共享，以便控制物流成本并强化供应链韧性，参与需要分享的数据包括订单量、集装箱需求量、可用储位空间、车辆数等。由于参与者可以看到更广泛的讯息，对于提升供应链效率有很大的帮助，至少不用像以前一样，货都抵达码头才发现缺集装箱可载。这又是另一个云端AI可发挥的地方，当AI可读取这个港口未来30天所有的进出口单据，并通过算法调度车辆、仓栈与船席时，真正的优化就会来临。

END

《现代物流》| 128期

引领产业发展，成为世界级专业供应链物流媒体

本文版权归中国《现代物流》杂志所有，欢迎文末分享、点赞、在看！转载请联系后台。